CN105427309B - 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 - Google Patents

Abstract

本发明公开了一种面向对象高空间分辨率遥感信息提取的多尺度分层处理方法：在全局层次上，利用图像半方差统计计算确定纹理采样间隔和模版窗口大小，基于图像纹理特征在粗尺度上将图像划分为几个纹理平滑的局部区域；然后在局部层次上，以局部区域为单位，通过空间统计计算进行局部分割尺度参数设置，并利用图像的几何和光谱信息进行细分割，得到能体现更多细节的精细化影像对象；利用全图或者局部区域样本训练分类器，以全图或者局部区域为单位进行面向对象遥感图像分类。本发明通过多尺度分层处理，兼顾影像的宏观特征和微观特征，可以将地物进行更为精准的划分，并结合遥感影像具体特征决定是否分区域进行影像分类，提高整幅图像分类精度。

Description

面向对象高空间分辨率遥感信息提取的多尺度分层处理方法

技术领域

本发明涉及遥感地学分析方法领域，特别涉及一种面向对象高空间分辨率遥感信息提取的多尺度分层处理方法。

背景技术

高分辨遥感影像数据量大、细节复杂且具有尺度依赖性。结合多尺度分割的面向对象的影像分析方法，可以综合考虑遥感影像的光谱、形状、纹理等特征，能更加全面、多层次地表现高分辨率遥感影像的信息，因此面向对象遥感信息提取方法越来越受到重视。面向对象遥感信息提取精度与图像分割、图像分类算法紧密相关。

图像分割是图像分类的前提，图像分割效果的优劣对其最终的解译与提取精度有着不容忽视的影响。传统的单一尺度的影像分割无法同时兼顾宏观分布与微观细节，制约了图像解译的精度。另一方面，高空间分辨率遥感影像上景观结构复杂多样，不同景观结构的分析尺度不同，不存在一个绝对的最优尺度适合于同一幅影像的所有局部区域。因此在面向对象高空间分辨率遥感信息提取中，基于多尺度处理实现精细化遥感信息提取具有重要意义。

高空间分辨率遥感影像目视解译过程的实质是一种人类视觉注意机制控制下的信息提取过程。一般来说，人类对图像场景的理解首先是基于粗尺度的，即场景全局特征或背景轮廓的感知；在此基础上，局部场景中的细节才逐渐被发现和感知。结合计算机视觉理论，通过人工智能和图像处理的手段，提高基于多尺度处理的面向对象遥感信息提取的自动化程度具有重要意义。

从影像对象多尺度分割的角度，粗尺度背景轮廓感知或粗尺度下的区域划分主要依据图像的纹理特征，高斯马尔可夫随机场(GMRF)模型能较好地表达遥感图像的纹理特征，基于GMRF纹理特征的支撑向量机分类方法(GMRF-SVM)能够较好地识别遥感图像的不同纹理特征，适合应用于本发明中的第一层尺度处理，即对遥感图像的粗尺度下的局部区域划分；均值漂移(MS)算法速度快，具有较强的适应性、鲁棒性，通过调整空间、光谱等不同带宽参数，可以满足多尺度分割要求，适合应用于本发明中对粗尺度局部区域的二次精细分割。

从面向对象遥感分类的角度，随机森林算法作为一种集成分类器，可以处理高维数据并快速得到分类结果，在遥感影像分类上具有较高的适应性与鲁棒性；而基于遗传算法的随机森林分类算法可以实现上分类过程中的特征数量和决策树数量的优化，使遥感影像的分类精度得到优化和保证。

从面向对象遥感分类样本多尺度处理的角度，传统的遥感影像解译，整幅影像应用同一份样本集，难以保证各种不同尺度类别样本的代表性和适用性。本发明首先将影像划分为不同层次和区域，在不同的层次和区域内，地物类别可能少于全局影像的地物类别，因此以层次和区域为单位选取样本，训练分类器并进行区域影像分类，可以一定程度上减少影像误分类，从全局上提高遥感影像信息提取的精度。

发明内容

(一)主要解决的技术问题

本发明解决的问题为：采用多尺度分层处理的思想，一定程度上解决了传统遥感图像解译(图像分割过程)中宏观、微观信息不能同时兼顾的矛盾；在分层处理过程中，基于空间统计学理论方法，定量设置相关尺度处理的理论最佳参数。具体来讲，即在全局层次上，通过空间统计变异函数的半方差计算定量化设置纹理采样间隔和模版窗口大小，对图像进行初步的粗尺度下的区域划分，得到景观结构相对较为单一的局部区域；在局部区域层次上，通过空间统计方法进行局部区域处理尺度优选，在此基础上实现精细化的影像对象划分；同时用户可根据图像特征自主选择利用全图或者局部区域样本训练分类器，进行以全图或者局部区域为单位的影像对象分类，提高影像分类精度；以局部区域为单位进行影像对象分类时，最后需要进行局部区域分类图像的汇总拼接，其最终分类精度采用各局部区域分类精度面积加权方法计算。本发明可以将地物进行更为精准的划分，并能针对不同的图像特征机动灵活地训练分类器，提高每个区域的分类精度，进而提高整幅图像分类精度。

(二)技术方案

本发明首先将遥感影像进行基于纹理的像元分类，实现粗尺度下的区域的初步划分，在此基础上进行精细分割得到局部区域内的影像对象，手动筛选样本建立样本集，采用集成学习分类器进行分类。方法如下：

步骤10、输入遥感影像，所述影像为高分辨率全色或多光谱影像

步骤20、运用GMRF-SVM方法对整幅影像进行基于纹理的分类，经过后处理和区域标记，得到粗尺度下的局部区域。

其中步骤20又可细分为如下几个步骤：

1、基于变异函数半方差计算，确定应用于整幅图像的纹理采样间隔和模版窗口大小；

2、在图像上基于纹理特征选取具有代表性的采样点；

3、计算样本点的GMRF特征向量并进行归一化，并建立样本特征向量数据集；

4、设置SVM分类器参数，并用样本特征向量数据集训练SVM分类器，建立SVM高维映射分类模型。

5、根据设定的采样间隔和模版窗口大小，计算全图GMRF纹理特征，得到均匀分布于全图的特征向量数据集。

6、SVM分类器训练，利用样本特征向量数据集训练SVM分类器，建立SVM高维映射分类模型。

7、基于SVM进行纹理分类，得到初始的纹理分类结果。

8、纹理分类结果后处理，将破碎区域进行合并，得到粗尺度下的局部区域，矢量化后以ID进行标记。

步骤30、以粗尺度下的局部区域为单位，运用均值漂移(MS)算法进行局部区域的精细分割，得到能够体现更多细节的并可直接用于遥感图像面向对象分类的精细尺度影像对象。

其中步骤30又可细分为如下几个步骤：

1、输入局部区域全色或多光谱遥感影像。

2、确定每一个局部区域精细分割的带宽参数类型。

3、利用空间统计学方法优选每一个局部区域精细分割的带宽参数取值。

4、将局部区域影像从RGB色度转换到LUV特征空间。

5、根据MS原理进行均值滤波。

6、基于上述步骤确定的局部区域精细分割的带宽参数，进行均值漂移聚类。

7、为每个像元指定其所属的标签，完成基于均值漂移的局部区域的精细分割，得到精细化的影像对象。

步骤40、针对上述得到的精细化的局部区域影像对象，筛选样本建立样本集，需保证每个局部区域中的全部类别均选取适当数量样本，且样本具有代表性。

步骤50、利用样本训练基于遗传算法的随机森林集成学习分类器，进行影像对象分类。

其中步骤50又可细分为如下几个步骤：

1、基于精细化影像对象分割结果，定义面向对象遥感图像分类中的特征属性集包括光谱值、纹理特征、形状特征、和专题特征等并对其进行归一化处理。

2、确定随机森林参数范围，即生成一棵决策树所随机选取的属性特征数量m和最终生成的决策树数量n的参数范围。

3、遗传算法自行选择两个参数(m，n)的取值。

4、从样本集中选择部分样本作为检验样本，从样本集剩余样本中选择w个样本作为训练样本，组成总训练集，然后利用有放回的自举重采样方法，从总训练集中抽取w次组成新的训练集，最后共生成n个训练集，每个训练集生成一棵决策树，共生成n棵决策树。

5、在参数范围内生成初始种群。

6、利用遗传算法优化每棵决策树中用于分类的特征属性的类别数量以及整个算法中决策树的数量，以分类精度作为适应度函数进行遗传操作，输出(m，n)参数组合的最优解及与该解对应的最优分类结果。

7、基于最优参数组合(m，n)，计算基于精细化影像对象的面向对象分类精度。

(三)有益效果

1、本发明利用粗尺度的纹理特征实现影像背景区域的初步划分，然后在粗尺度下的局部区域划分的基础上，在局部区域内通过空间统计优选尺度分割参数进行精细尺度精细分割，避免了单一尺度分割难以全面顾及各种不同景观地类的尺度特点而造成的分割结果过于概括或过于破碎，进而本发明的面向对象遥感信息提取的多尺度分层处理方法，一定程度上保证了面向对象遥感信息提取精度。

2、在基于纹理分类的粗尺度区域划分中，纹理采样间隔和模板窗口大小以及纹理分类后处理膨胀算子的大小，采用空间统计学方法定量化选择，避免了传统纹理分类中人为设置相关参数的主观性和盲目性。

3、本发明允许用户根据图像特征自主选择以全局(全图)或者是局部区域为单位进行影像分类，由于局部区域影像的类别可能少于全局影像类别，所以用户根据图像特征选择以区域为单位进行遥感影像分类可以减少误分类，进而提高遥感影像分类的总体精度。

附图说明

图1为本发明实施例的面向对象高空间分辨率遥感信息提取的多尺度分层处理流程图。

图2为本发明实施例中利用GMRF-SVM方法进行粗尺度下的局部区域划分的流程图。

图3为本发明实施例中利用MS方法在局部区域图像上进行精细尺度精细分割的流程图。

图4为本发明实施例中利用GA-RF方法对局部区域影像对象进行分类的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式做进一步详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

步骤10、输入待分类遥感影像，本发明选用高分辨率遥感全色或多光谱影像。

步骤20、运用GMRF-SVM方法对整幅影像进行基于纹理的分类，得到粗尺度下的划分区域。

本实施例的GMRF-SVM方法进行粗尺度下的区域划分包括：确定纹理采样间隔和模版窗口大小、选取具有代表性的采样点、计算特征样本点的GMRF特征向量并进行归一化、设置SVM参数、GMRF纹理特征计算、SVM分类器训练、基于SVM进行纹理分类、纹理分类结果后处理。包括如下步骤：

步骤21、确定纹理采样间隔和模版窗口大小。

由于变异函数的变程表明属性因子空间自相关范围的大小，它与观测尺度或采样尺度下影响因子的各种生态过程有关，因此变异函数的变程可以作为确定粗尺度下GMRF纹理计算采样间隔的依据。如果待处理影像为全色影像，则用全色波段数据计算。如果待处理影像是多光谱影像，则用信息量大的波段(一般为近红外波段)计算。

采用不同的采样间隔h(2≤h≤50，h为偶整数)，在水平方向和垂直方向上，分别计算影像在不同采样间隔下的半方差，计算公式为：

式中，γ(h)是半方差，N(h)是某方向上(水平和垂直)距离等于h时的像素点对数，X(i)是在位置i处的影像灰度值，X(i+h)是在距离(i+h)处的影像灰度值。某一采样间隔下的影像水平半方差和垂直半方差的均值即为影像综合半方差。

计算在第j个采样间隔上影像综合半方差随采样间隔变化的变化率R_γj，R_γj第一次出现负值时所对应的采样间隔h_*即为待确定的GMRF纹理采样间隔。R_γj的计算公式如下：

R_γj＝(γ(h)_j-γ(h)_j-1)/γ(h)_j-1

则采样模板大小也进一步为W_s＝2h_*+1。

步骤22、在图像上基于纹理特征选取具有代表性的采样点。

步骤23、计算特征样本点的GMRF特征向量并进行归一化。

根据设定的采样间隔和模版窗口大小用GMRF纹理特征计算器计算特征样本点的GMRF特征向量(θ(1，1)，θ(1，0)，θ(1，-1)，θ(0，1)，μ，σ)。公式如下：

式中，μ为图象采样模板尺寸范围W内的平均灰度值，N_w表示W内像素点的数目，f(m，n)为W内像元(m，n)的灰度值。为了求得σ以及{θ(t，s)，(t，s)∈N}，(t，s)表示邻域内像元的位置，需在W上计算相关系数的值r(t，s)，其计算公式为：

且由于相关值计算公式的对称性，

r(t，s)＝r(-t，-s)

以上GMRF特征向量的参数r(t，s)用最小二乘法估计。对GMRF6维特征矢量(θ(1，1)，θ(1，0)，θ(1，-1)，θ(0，1)，μ，σ)进行归一化，对应相应的类别进行标号，建立包含序号、位置、类别ID和归一化后的GMRF特征向量值的样本数据集，构成特征空间，并进行下一步的分类。

步骤24、设置SVM参数。包括设置核(KERNEL)函数类型、核函数扩散范围等SVM参数，将样本特征空间的划分问题转换为高维特征空间的线性分类问题，通过有限的支撑向量点的线性组合建立SVM分类器(分类决策函数)。

其中计算内积的核函数H(x，x′)需要满足Mercer条件的对称函数，一般主要有多项式、径向基函数和神经网络SIGMOID函数等。本实施例以基于高斯核的径向基函数为例，公式如下：

其中，X为输入空间的n维向量，即输入样本，X_i为第i个输入空间的n维向量，即第i个输入样本，σ为核函数宽度，为用户需要的设置的参数，本实施例取σ为0.16。

步骤25、GMRF纹理特征计算。根据上述步骤确定的采样间距的大小在图像上移动窗口，GMRF纹理特征计算器计根据设定的采样间隔和模版窗口大小计算每个窗口的归一化GMRF特征向量值，进而得到全局特征向量数据集。

步骤26、SVM分类器训练。利用样本特征向量数据集训练SVM分类决策函数(分类器)，建立SVM高维映射分类模型。

步骤27、基于SVM进行纹理分类。将步骤26得到的全局特征向量值代入SVM高维映射分类模型，对图像进行基于纹理的类别划分，类别以ID的形式标记区分，将参与计算的图像内所有像素根据类别ID进行分类，得到初始的纹理分类结果。

步骤28、纹理分类结果后处理。根据图像特征，基于影像综合半方差随采样间隔变化的变化率计算结果设置膨胀算子的尺寸，利用膨胀算子将过小的破碎区域进行合并，得到粗尺度下的区域划分对象。然后采用矢量化方法，将图像转换为矢量形式的专题图，并以ID进行标记。

步骤30、以粗尺度区域为单位，运用多尺度分割算法进行较为精细的分割，得到可直接用于遥感图像分类的能够体现更多细节的精细尺度影像对象。本实施例以均值漂移(MS)多尺度分割算法为例。

本实施例的基于MS算法的局部区域精细影像分割包括：输入局部区域全色或多光谱遥感影像、确定MS算法的核函数及带宽参数的类型、确定每一个局部区域精细分割的优选带宽参数取值、将局部区域影像从RGB色度转换到LUV特征空间、MS滤波、基于优选带宽参数的均值漂移聚类、为每个像元指定其所属的标签。包括如下步骤：

步骤31、输入局部区域全色或多光谱遥感影像。

步骤32、确定每一个局部区域精细分割的带宽参数类型。一幅图像常被表示为带有p维向量的二维网格，当p＝1时代表灰度图像，当p＝3时代表一般的彩色图像，而当p＞3则代表多光谱图像。统一考虑图像的空间域和光谱(或灰度等)域信息，组成一个p+2维的向量x＝(x^s，x^r)，其中x^s表示空间域网格点的二维坐标，x^r表示光谱域上该网格点的p维光谱向量特征，此时每个域都需要一个带宽参数，此时多元核函数可由辐射对称核和欧几里德多元核定义为：

x^s为特征矢量的空间部分，x^r为特征矢量的光谱部分，k(x)是在在空间和光谱域中均适用的核函数，h_s、h_r分别为空间域和光谱域的带宽参数，是均值漂移分割过程中的需要用户自定义的重要参数。

步骤33、每一个局部区域精细分割的带宽参数(h_s，h_r)取值优选。由于空间域带宽参数h_s的实质是像素在空间域上的空间距离，光谱域的带宽参数h_r是像素在光谱域上的属性距离。因此，局部区域精细分割带宽参数的优选可参照已公开国家发明专利(面向对象遥感影像分析中的尺度分割参数自动选择方法，公开号：CN103646400A)提出的技术方案和实施方式进行。该发明将影响遥感影像多尺度分割的尺度分割参数概括为空间尺度分割参数、属性尺度分割参数和合并阈值参数，在此基础上针对这三个尺度分割参数，公开了一种面向对象遥感影像分析中的尺度分割参数自动选择方法，故本申请不再赘述。

步骤34、将局部区域影像从RGB色度转换到LUV特征空间。假设多光谱图像的特征空间为L，则影像中不同颜色的物体，对应特征空间上不同的聚类，彩色图像映射到特征空间L后，再结合像素在图像中的位置，即空间信息(X，Y)，就能得到每个像素在5维特征空间中的值，即(X，Y，L^*，U^*，V^*)，其中L^*表示图像的亮度，U^*和V^*分别表示色差。

步骤35、根据MS原理进行滤波。设x_i为输入影像，z_i(i＝1，…，n)为其均值滤波后的特征空间，采用均值滤波器对x_t进行滤波，存储d维滤波数据z_i＝y_i，c。

步骤36、基于优选的带宽参数进行均值漂移聚类。均值漂移的主要目标就是在上述向量空间中寻找局部极值点，基于上述优选出的带宽参数，即对所有空间域小于h_s且颜色域小于h_r的z_i进行聚类{C_p}，p＝1，…，m。

步骤37、为每个像元指定其所属的标签。对于每个i＝1，2，…，n，利用公式L_i＝{p｜z_i∈C_p}，计算分割影像的第i个像元在过滤后图像中所属模式的标签值，即完成了基于均值漂移的局部区域的精细分割，得到了精细化的影像对象(即精细分割得到的分割单元)。

步骤40、手动选择样本建立样本集，需保证每个粗尺度区域选取的样本尽量包含全部类别且满足一定数量，各类别样本还应具有代表性。

样本选择可采用网格划分的方式，每间隔一定的距离选取一定数量的样本，为了保证选用样本具有代表性，允许操作中有适当的位置偏移。

步骤50、基于局部区域精细分割得到的精细化的影像对象，利用样本训练基于遗传算法的随机森林分类器，并进行面向对象遥感图像分类。

随机森林算法是一种集成学习决策树算法，利用随机森林算法对影像对象进行分类的原理是利用每个决策树对各个对象进行分类，得到对应的类别，采用投票的方法，将决策树中输出最多的类别作为测试集样本(该影像对象)所属的类别。训练样本一定的情况下，影响分类精度的主要因素有两个：生成一棵决策树所随机选取的属性特征数量m和最终生成的决策树数量n，且特征数量m的大小关系到构建出的决策树能力强弱以及决策树之间的相关性，进而会影响分类精度。因此，选择合适大小的m，成为决定分类效果的一个关键。

本实施例的基于遗传算法的随机森林面向对象方法包括定义遥感图像分类中的特征属性集、确定随机森林参数范围(生成一棵决策树所随机选取的属性特征数量m和最终生成的决策树数量n)、遗传算法自行选择两个参数取值、针对局域区域影像随机产生n个训练集、生成初始种群、以分类精度评价标准作为适应度函数进行遗传操作并输出随机森林决策树最优分类结果、计算分类精度。包括如下步骤：

步骤51、基于精细化影像对象分割结果，定义面向对象遥感图像分类中的特征属性集作为后续分类的特征。特征属性集的维数，即分类特征的总个数记为f。特征属性包括光谱值、纹理特征、形状特征、和专题特征等(如NDVI、NDWI和NDBI等)，对其进行归一化，统一处理到-1～1。

步骤52、确定随机森林参数范围，即生成一棵决策树所随机选取的属性特征数量m和最终生成的决策树数量n的参数范围，m∈[1，f]，n∈[1，2000]。

步骤53、实数编码方式下遗传算法自行选择两个参数(m，n)取值。

步骤54、从样本集中选择部分样本作为检验样本，从样本集剩余样本中选择w个样本作为训练样本，组成总训练集，然后利用有放回的自举重采样方法，从总训练集中抽取w次组成新的训练集，最后共生成n个训练集，每个训练集生成一棵决策树，共生成n棵决策树。

步骤55、在参数范围m∈[1，f]，n∈[1，2000]内生成初始种群。

步骤56、利用遗传算法优化每棵决策树中用于分类的特征属性的类别数量以及整个算法中决策树的数量，得到不同参数下的分类精度，以分类精度作为适应度函数，对影像对象进行基于遗传优化的决策树分类。

首先，实数编码方式下遗传算法自行选择两个参数(m，n)，利用每个训练集生成的对应决策树进行分类；在每个非叶子节点(内部节点)上选择属性前，从所有属性中随机抽取一定量属性做为当前决策树的分裂属性集，并以抽取的属性中最好的分裂方式对该节点进行分裂。最好的分裂方式是基于基尼指数思想：假设集合T包含k种取值的纪录，每种取值生成一个子节点，其中节点i的基尼指数为：

其中，r是集合T包含的取值种类，s_i是在子节点i处的记录数，s是集合T的总记录数。对于每个节点都要遍历所有可能的分类后，能提供最小的Gini_split就被选择作为此节点处分裂的标准。最后将局部区域所有影像对象作为测试样本，组成测试样本集，利用每个决策树对各个影像对象进行分类，得到对应的类别。采用投票的方法，将决策树中输出最多的类别作为测试集样本所属的类别，即：

其中，C为测试样本所属类别，{c}为测试样本类别集合，n为决策树数量，I(A)为示性函数，即当A为真时，取值为1，否则取值为0，h(x，θ_k)为决策树分类器，x为训练样本，θ_k为独立同分布的随机向量。

以分类精度评价标准作为适应度函数，由于决策树数量和特征数量均为整数，因此在利用随机森林进行训练时，若机器选取的两参数非整数，则向下取整。则适应度函数为：

式中，m、n分别为实数编码方式下遗传算法自行选择的两个参数(决策树所随机选取的属性特征数量和最终生成的决策树数量)，函数floor()为向下取整函数，N为相应影像对象的数量。

首先计算初始种群适应度，若不满足终止条件，则通过选择、交叉和变异，基于实数编码方式进行遗传操作，生成新的种群。

进行遗传操作直至达到设定的终止条件(产生代数达到50或停滞代数达到10时算法停止)，即可输出参数组合的最优解。

步骤57、基于最优参数组合(m，n)，计算基于精细化影像对象的面向对象分类精度。此过程中，若用户选择以全图为单位进行分类，则此输出的分类结果，便为最终分类结果；若用户以局部区域为单位，在各个局部区域内应用分类器进行遥感图像分类，则还需将各局部区域分类结果拼接输出，以各个区域的像素数量或面积为权重，综合加权计算最终总体分类精度。

本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述仅为本发明的优选实施方式，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。

应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种面向对象遥感影像信息提取的多尺度分层处理方法，将高空间分辨率遥感影像进行粗尺度上的区域初步划分，在其基础上进行局部区域精细分割，并采用分类器进行精细影像对象的分类，实现精细地物信息提取，其特征在于：

步骤10、输入遥感影像，所述影像为高分辨率全色或多光谱影像；

步骤20、对整幅影像进行半方差统计计算，确定纹理采样间隔和模版窗口大小，采用基于纹理的粗分类，实现粗尺度下的局部区域划分，此步骤按基于高斯马尔可夫纹理表达模型的支持向量机分类方法(GMRF-SVM)方法进行；

步骤30、以粗尺度局部区域为单位，通过局部区域的半方差统计进行局部分割尺度参数设置，进而利用图像的光谱和空间信息进行较为精细的分割，得到能够体现更多细节的且可直接用于遥感图像分类的精细尺度影像对象，此步骤按均值漂移分割算法进行，实现局部区域精细影像分割；

步骤40、针对上述得到的精细化的局部区域影像对象，筛选样本建立样本集，需保证每个局部区域中的全部类别均选取适当数量样本，且样本具有代表性；

步骤50、根据图像特征选择利用全图或者局部区域样本训练分类器，并进行遥感图像分类，以基于遗传优化的随机森林分类方法进行；

步骤60、输出图像分类的最终结果，以及图像分类精度。

2.如权利要求1中所述的面向对象遥感影像信息提取的多尺度分层处理方法，其特征在于：模仿人类视觉读图机制，建立多尺度分层处理机制，即先进行全局层次的基于像元的纹理粗分类，在此基础上进行局部层次的精细影像对象分类，实现精细化的遥感影像信息提取。

3.如权利要求1中所述的面向对象遥感影像信息提取的多尺度分层处理方法，其特征在于：步骤20中计算影像综合半方差随采样间隔变化的变化率，根据其第一次出现负值时所对应的采样间隔，设置粗尺度区域划分中纹理分类的采样间隔及窗口大小。

4.如权利要求1中所述的面向对象遥感影像信息提取的多尺度分层处理方法，其特征在于：步骤20中，对纹理分类结果的后处理中，基于影像综合半方差随采样间隔变化的变化率计算结果，根据其第一次出现负值时所对应的采样间隔，设置膨胀算子的尺寸。

5.如权利要求1中所述的面向对象遥感影像信息提取的多尺度分层处理方法，其特征在于：步骤50中训练分类器时，用户根据图像大小和图像特征自主选择以下两种分类方法之一；

1)以全图为单位，利用整幅图像的样本数据训练分类器，然后对全局对象进行分类，得到最后分类结果和最终总体分类精度；

2)以不同区域为单位，利用该区域的样本训练分类器，然后对该区域对象进行分类，最后综合所有区域的分类结果，得出最终的分类结果和最终总体分类精度。

6.如权利要求5中所述的面向对象遥感影像信息提取的多尺度分层处理方法，其特征在于：步骤60输出的分类结果是

1)用户采用权利要求5中的第一种分类方法，即以全图为单位进行分类时，则执行完一次分类后的结果即为最终结果，并基于全图的精度检验混淆矩阵，计算最终总体分类精度；或

2)用户采用权利要求5中的第二种分类方法，即以区域为单位进行分类时，则需要将各区域的分类结果进行合并，得到最终分类结果，并以各个区域的像素数量或面积为权重，结合各个区域的分类精度，综合加权计算最终总体分类精度。